# 期望（Mathematical Expectation）核心讲义：从入门到精通

---

## 一、 什么是数学期望？（直观理解与定义）

### 1.1 直观理解
数学期望（Expectation）简而言之就是**加权平均值**。如果你重复进行某个随机试验无限多次，把每次得到的结果乘以它对应的发生概率，然后把它们加起来，就是数学期望。它代表了随机变量在长期运行中的**平均趋势**或**中心位置**。

### 1.2 严格定义
* **离散型随机变量**：若随机变量 $X$ 的所有可能取值为 $x\_1, x\_2, \dots$，其对应的概率为 $P(X = x\_i) = p\_i$，则其数学期望定义为：
  $$E[X] = \sum\_{i} x\_i p\_i$$
  *(前提是该无穷级数绝对收敛)*

* **连续型随机变量**：若随机变量 $X$ 的概率密度函数为 $f(x)$，则其数学期望定义为：
  $$E[X] = \int\_{-\infty}^{+\infty} x f(x) \, dx$$
  *(前提是该积分绝对收敛)*

---

## 二、 期望的核心性质（解题杀手锏）

在数学应用和做题时，熟练运用期望的性质可以省去大量繁琐的积分或求和运算。

1. **常数期望法则**：若 $c$ 是常数，则 $E[c] = c$。
2. **线性性质（最重要）**：对于任意随机变量 $X$ 和 $Y$，以及常数 $a$ 和 $b$，恒有：
   $$E[aX + bY] = aE[X] + bY$$
   *注：这一性质**不需要** $X$ 和 $Y$ 相互独立！*
3. **乘积期望法则（独立性）**：若 $X$ 和 $Y$ **相互独立**，则：
   $$E[XY] = E[X] \cdot E[Y]$$

---

## 三、 经典例题精讲（由浅入深）

### 【例题 1：基础离散型计算】
**题目**：掷一枚质地均匀的六面骰子，朝上一面的点数记为 $X$，求 $E[X]$。
**解析**：
骰子的所有可能取值为 $1, 2, 3, 4, 5, 6$，每个取值的概率均为 $\frac{1}{6}$。
根据离散型期望公式：
$$E[X] = 1 \times \frac{1}{6} + 2 \times \frac{1}{6} + 3 \times \frac{1}{6} + 4 \times \frac{1}{6} + 5 \times \frac{1}{6} + 6 \times \frac{1}{6} = \frac{21}{6} = 3.5$$

---

### 【例题 2：基础连续型计算】
**题目**：设连续型随机变量 $X$ 的概率密度函数为：
$$f(x) = \begin{cases} 2x, & 0 \le x \le 1 \\ 0, & \text{其他} \end{cases}$$
求 $E[X]$。
**解析**：
根据连续型期望公式：
$$E[X] = \int\_{-\infty}^{+\infty} x f(x) \, dx = \int\_{0}^{1} x \cdot (2x) \, dx = \int\_{0}^{1} 2x^2 \, dx = \left[ \frac{2}{3}x^3 \right]\_0^1 = \frac{2}{3}$$

---

### 【例题 3：巧用线性性质（指示函数法 / Indicator Variable）】
**题目**：有 $n$ 把不同的钥匙和 $n$ 个不同的锁，每把钥匙配一把锁。现在随机将这 $n$ 把钥匙分配给 $n$ 把锁（每把锁配一把钥匙），问：**恰好能打开对应锁的钥匙数量**的期望值是多少？
**解析**：
如果用传统方法去求“恰好有 $k$ 把钥匙对准”的概率分布会非常复杂。我们利用**期望的线性性质**来降维打击：
设 $X$ 为配对成功的总钥匙数。我们引入指示变量（Indicator）$I\_i$：
$$I\_i = \begin{cases} 1, & \text{第 } i \text{ 把钥匙能打开对应的锁} \\ 0, & \text{其他} \end{cases}$$
显然，$X = I\_1 + I\_2 + \dots + I\_n$。
根据期望的线性性质：
$$E[X] = E[I\_1 + I\_2 + \dots + I\_n] = E[I\_1] + E[I\_2] + \dots + E[I\_n]$$
对于任意一把钥匙 $i$，它随机落在一个锁上，配对成功的概率是 $\frac{1}{n}$。所以：
$$E[I\_i] = 1 \cdot P(I\_i = 1) + 0 \cdot P(I\_i = 0) = \frac{1}{n}$$
因此：
$$E[X] = \underbrace{\frac{1}{n} + \frac{1}{n} + \dots + \frac{1}{n}}\_{n \text{ 个}} = n \times \frac{1}{n} = 1$$
**结论**：不管总共有多少把钥匙（哪怕是 10000 把），平均能对准的期望永远是 **1**。

---

## 四、 经典选择题与高阶几何应用

### 【精选选择题】
**假设 $x$ 和 $y$ 是两个独立的随机实数变量，且它们都是从 $[0, 1]$ 的均匀分布随机生成的，则 $\min(x, y)$ 的期望值是（ ）**
* A. $\frac{1}{6}$
* B. $\frac{1}{4}$
* C. $\frac{1}{3}$
* D. $\frac{1}{2}$

#### 💡 核心解题思路与策略

1. **直觉与估算（考试时的猜题技巧）**：
   * 因为求的是 $\min(x, y)$，结果必然小于等于 $x$ 和 $y$，所以期望值直觉上应该小于 $\frac{1}{2}$（排除 D）。
   * **离散化估算**：假设从 $\{0.1, 0.2, 0.3, \dots, 1.0\}$ 这 10 个数中有放回地随机抽 2 个数作为 $x$ 和 $y$，你可以通过编程或简单模拟取它们的最小值，算出来的平均值大约在 $0.33$ 左右，从而锁定 $\frac{1}{3}$。

2. **严格计算方法一：微积分（累积分布函数法 CDF）**：
   * 首先求 $\min(x, y)$ 的累积分布函数 $F(z) = P(\min(x, y) \le z)$：
     $$P(\min(x, y) > z) = P(x > z \text{ 且 } y > z)$$
     因为 $x, y$ 独立且服从 $[0,1]$ 均匀分布，所以：
     $$P(x > z \text{ 且 } y > z) = P(x > z)P(y > z) = (1-z)(1-z) = (1-z)^2 \quad (\text{其中 } 0 \le z \le 1)$$
   * 从而累积分布函数为：
     $$F(z) = P(\min(x, y) \le z) = 1 - (1-z)^2$$
   * 求导得到概率密度函数 $f(z) = F'(z) = 2(1-z)$。
   * 最后计算期望：
     $$E[\min(x, y)] = \int\_{0}^{1} z \cdot 2(1-z) \, dz = \int\_{0}^{1} (2z - 2z^2) \, dz = \left[ z^2 - \frac{2}{3}z^3 \right]\_0^1 = 1 - \frac{2}{3} = \frac{1}{3}$$

3. **严格计算方法二：几何意义降维（立体几何体积法）**：
   * $z = \min(x, y)$ 在 $x \in [0,1], y \in [0,1]p$ 构成的正方形平面上，是一个曲面。
   * 对于非负随机变量，其期望值在几何上等于**其概率密度曲面下的体积**（或通过积分底面积转化）。
   * 整个正方形面积为 $1 \times 1 = 1$。条件 $x, y \in [0,1]$ 构成了底面积为 1 的正方形底面。$\min(x, y)$ 的期望可以通过对 $z$ 从 $0$ 到 $1$ 积分 $P(\min(x, y) > z)dz$ 得到：
     $$E[\min(x, y)] = \int\_{0}^{1} P(\min(x, y) > z) \, dz = \int\_{0}^{1} (1-z)^2 \, dz = \left[ -\frac{1}{3}(1-z)^3 \right]\_0^1 = \frac{1}{3}$$
   * 这在三维几何中恰好对应一个底面为 $1 \times 1$、高为 $1$ 的三棱锥的体积比例关系。

* **正确答案**：**C**

期望（Mathematical Expectation）核心讲义：从入门到精通

一、什么是数学期望？（直观理解与定义）

1.1 直观理解

数学期望（Expectation）简而言之就是加权平均值。如果你重复进行某个随机试验无限多次，把每次得到的结果乘以它对应的发生概率，然后把它们加起来，就是数学期望。它代表了随机变量在长期运行中的平均趋势或中心位置。

1.2 严格定义

离散型随机变量：若随机变量 $X$ 的所有可能取值为 $x_1, x_2, \dots$，其对应的概率为 $P(X = x_i) = p_i$，则其数学期望定义为： $$E[X] = \sum_{i} x_i p_i$$ (前提是该无穷级数绝对收敛)
连续型随机变量：若随机变量 $X$ 的概率密度函数为 $f(x)$，则其数学期望定义为： $$E[X] = \int_{-\infty}^{+\infty} x f(x) \, dx$$ (前提是该积分绝对收敛)

二、期望的核心性质（解题杀手锏）

在数学应用和做题时，熟练运用期望的性质可以省去大量繁琐的积分或求和运算。

常数期望法则：若 $c$ 是常数，则 $E[c] = c$。
线性性质（最重要）：对于任意随机变量 $X$ 和 $Y$，以及常数 $a$ 和 $b$，恒有： $$E[aX + bY] = aE[X] + bY$$ 注：这一性质不需要 $X$ 和 $Y$ 相互独立！
乘积期望法则（独立性）：若 $X$ 和 $Y$ 相互独立，则： $$E[XY] = E[X] \cdot E[Y]$$

三、经典例题精讲（由浅入深）

【例题 1：基础离散型计算】

题目：掷一枚质地均匀的六面骰子，朝上一面的点数记为 $X$，求 $E[X]$。解析：骰子的所有可能取值为 $1, 2, 3, 4, 5, 6$，每个取值的概率均为 $\frac{1}{6}$。根据离散型期望公式： $$E[X] = 1 \times \frac{1}{6} + 2 \times \frac{1}{6} + 3 \times \frac{1}{6} + 4 \times \frac{1}{6} + 5 \times \frac{1}{6} + 6 \times \frac{1}{6} = \frac{21}{6} = 3.5$$

【例题 2：基础连续型计算】

题目：设连续型随机变量 $X$ 的概率密度函数为： $$f(x) = \begin{cases} 2x, & 0 \le x \le 1 \ 0, & \text{其他} \end{cases}$$ 求 $E[X]$。解析：根据连续型期望公式： $$E[X] = \int_{-\infty}^{+\infty} x f(x) \, dx = \int_{0}^{1} x \cdot (2x) \, dx = \int_{0}^{1} 2x^2 \, dx = \left[ \frac{2}{3}x^3 \right]_0^1 = \frac{2}{3}$$

【例题 3：巧用线性性质（指示函数法 / Indicator Variable）】

题目：有 $n$ 把不同的钥匙和 $n$ 个不同的锁，每把钥匙配一把锁。现在随机将这 $n$ 把钥匙分配给 $n$ 把锁（每把锁配一把钥匙），问：恰好能打开对应锁的钥匙数量的期望值是多少？解析：如果用传统方法去求“恰好有 $k$ 把钥匙对准”的概率分布会非常复杂。我们利用期望的线性性质来降维打击：设 $X$ 为配对成功的总钥匙数。我们引入指示变量（Indicator）$I_i$： $$I_i = \begin{cases} 1, & \text{第 } i \text{ 把钥匙能打开对应的锁} \ 0, & \text{其他} \end{cases}$$ 显然，$X = I_1 + I_2 + \dots + I_n$。根据期望的线性性质： $$E[X] = E[I_1 + I_2 + \dots + I_n] = E[I_1] + E[I_2] + \dots + E[I_n]$$ 对于任意一把钥匙 $i$，它随机落在一个锁上，配对成功的概率是 $\frac{1}{n}$。所以： $$E[I_i] = 1 \cdot P(I_i = 1) + 0 \cdot P(I_i = 0) = \frac{1}{n}$$ 因此： $$E[X] = \underbrace{\frac{1}{n} + \frac{1}{n} + \dots + \frac{1}{n}}_{n \text{ 个}} = n \times \frac{1}{n} = 1$$ 结论：不管总共有多少把钥匙（哪怕是 10000 把），平均能对准的期望永远是 1。

四、经典选择题与高阶几何应用

【精选选择题】

假设 $x$ 和 $y$ 是两个独立的随机实数变量，且它们都是从 $[0, 1]$ 的均匀分布随机生成的，则 $\min(x, y)$ 的期望值是（） * A. $\frac{1}{6}$ * B. $\frac{1}{4}$ * C. $\frac{1}{3}$ * D. $\frac{1}{2}$

💡 核心解题思路与策略

直觉与估算（考试时的猜题技巧）：
因为求的是 $\min(x, y)$，结果必然小于等于 $x$ 和 $y$，所以期望值直觉上应该小于 $\frac{1}{2}$（排除 D）。
离散化估算：假设从 ${0.1, 0.2, 0.3, \dots, 1.0}$ 这 10 个数中有放回地随机抽 2 个数作为 $x$ 和 $y$，你可以通过编程或简单模拟取它们的最小值，算出来的平均值大约在 $0.33$ 左右，从而锁定 $\frac{1}{3}$。
严格计算方法一：微积分（累积分布函数法 CDF）：
首先求 $\min(x, y)$ 的累积分布函数 $F(z) = P(\min(x, y) \le z)$： $$P(\min(x, y) > z) = P(x > z \text{ 且 } y > z)$$ 因为 $x, y$ 独立且服从 $[0,1]$ 均匀分布，所以： $$P(x > z \text{ 且 } y > z) = P(x > z)P(y > z) = (1-z)(1-z) = (1-z)^2 \quad (\text{其中 } 0 \le z \le 1)$$
从而累积分布函数为： $$F(z) = P(\min(x, y) \le z) = 1 - (1-z)^2$$
求导得到概率密度函数 $f(z) = F'(z) = 2(1-z)$。
最后计算期望： $$E[\min(x, y)] = \int_{0}^{1} z \cdot 2(1-z) \, dz = \int_{0}^{1} (2z - 2z^2) \, dz = \left[ z^2 - \frac{2}{3}z^3 \right]_0^1 = 1 - \frac{2}{3} = \frac{1}{3}$$
严格计算方法二：几何意义降维（立体几何体积法）：
$z = \min(x, y)$ 在 $x \in [0,1], y \in [0,1]p$ 构成的正方形平面上，是一个曲面。
对于非负随机变量，其期望值在几何上等于其概率密度曲面下的体积（或通过积分底面积转化）。
整个正方形面积为 $1 \times 1 = 1$。条件 $x, y \in [0,1]$ 构成了底面积为 1 的正方形底面。$\min(x, y)$ 的期望可以通过对 $z$ 从 $0$ 到 $1$ 积分 $P(\min(x, y) > z)dz$ 得到： $$E[\min(x, y)] = \int_{0}^{1} P(\min(x, y) > z) \, dz = \int_{0}^{1} (1-z)^2 \, dz = \left[ -\frac{1}{3}(1-z)^3 \right]_0^1 = \frac{1}{3}$$
这在三维几何中恰好对应一个底面为 $1 \times 1$、高为 $1$ 的三棱锥的体积比例关系。
正确答案：C

—— 本文来自火龙信奥（义乌睿码科技）：义乌青少年信息学奥赛与编程教育平台，专注 CSP-J/S、NOIP、GESP 竞赛培训，线上线下融合教学，助力编程升学。网址：hlcoding.com